基于多源遙感數(shù)據(jù)的水體提取方法研究

白翠 向洋 邱春霞 趙貝貝 張巧玲

摘 要：快速準確地獲取水體信息對于水資源管理利用以及災害防治具有重要意義。利用不同分類方法探討多種數(shù)據(jù)源在不同天氣場景下水體提取的最優(yōu)技術(shù)，結(jié)合Sentinel和Landsat系列數(shù)據(jù)，對紅堿淖1973—2018年湖泊面積變化進行分析。結(jié)果表明：在無云的情況下，使用Sentinel-2結(jié)合最大似然分類方法提取效果最好，精度為99.30%;Sentinel-1利用面向?qū)ο蠓诸惥茸罡?，總體精度為95.70%，最大似然分類法次之;融合數(shù)據(jù)利用最大似然法精度最高，比Sentinel-1數(shù)據(jù)總體精度提高了2.00%;有云情況下，Sentinel-1數(shù)據(jù)通過融合同期Sentinel-2光學數(shù)據(jù)能有效提取被云覆蓋的區(qū)域，其提取水體精度比僅使用Sentinel-1雷達數(shù)據(jù)精度提高了2.50%。

關(guān)鍵詞：光學數(shù)據(jù);雷達數(shù)據(jù);水體提取;影像融合;紅堿淖

中圖分類號：TV213.4;P407.8 文獻標志碼：A

doi：10.3969/j.issn.1000-1379.2021.07.015

引用格式：白翠，向洋，邱春霞，等.基于多源遙感數(shù)據(jù)的水體提取方法研究[J].人民黃河，2021，43（7）：78-83.

Abstract：Extraction water body information quickly and accurately has great significant to the management and utilization of water resources and the prevention and control of disasters. This study used different classification methods to explore multi-source data sources in different weather scenarios. The results show that， in the case of no cloud， for Sentinel-2 data using the maximum likelihood classification method is the best method to extract water body， with an accuracy of 99.3%; for Sentinel-1 synthetic aperture radar data using the object-oriented classification method is the best method to extract water body， with overall accuracy of 95.7%， the maximum likelihood classification is the next; for fusing data using the maximum likelihood classification method is the highest and its overall accuracy increased by 2%， compared with the Sentinel-1 data. In the case of cloud， by fusing the Sentinel-2 data over the same period， the accuracy of water extraction has been improved by 2.5% compared with using only the sentinel-1 data.

Key words： optical data; radar data; water extraction; images fusing; Hongjian Lake

水資源是人類生存的重要條件之一。我國水資源嚴重短缺并且嚴重污染[1]，西北干旱地區(qū)降雨稀少。水資源是制約經(jīng)濟社會發(fā)展、影響生態(tài)安全的主要因素[2]。

利用遙感技術(shù)快速準確地獲取水體信息，對水資源管理利用以及災害防治具有重要意義[3]。不同傳感器可以獲取不同的影像，同時有許多不同的分類方法。Mcfeeters[4]提出了利用歸一化差異水體指數(shù)（NDWI）來提取水體信息;徐涵秋[5]提出了改進的歸一化差異水體指數(shù)（MNDWI）;Feyisa等[6]提出了自動提取水體指數(shù)（AWEI）方法;駱劍承等[7]提出了“全域-局部”分步迭代的多光譜遙感水體信息高精度自動提取模型，使遙感影像的水體提取達到初步的自動化。光學影像的水體提取容易受云霧、黑夜的影響，而雷達影像能克服這一缺陷，如Xing等[8]利用Sentinel-1影像自動生成10 m分辨率的地表水分類圖，為地表水的監(jiān)測提供了有效途徑;Wan等[3]利用高分辨率SAR數(shù)據(jù)，提出一種混合方法，對洪水進行監(jiān)測;Tian等[9]提出了Sentinel-1水指數(shù)（SWI），對鄱陽湖進行動態(tài)監(jiān)測。也有研究將光學影像和雷達影像結(jié)合用于提高精度。Wang等[10]根據(jù)Landsat影像得到的NDWI圖像特性，提出了一種改進的雷達水指數(shù)（MSWI），可以對湖泊進行月尺度動態(tài)監(jiān)測。在水體信息的提取中，很少有研究將Sentinel-2光學影像和Sentinel-1雷達影像結(jié)合使用。

本研究主要探討綜合利用光學和雷達影像在不同天氣場景下水體提取的最優(yōu)方法，利用多源遙感影像對紅堿淖1973—2018年水面面積進行長時間尺度提取，比較不同數(shù)據(jù)源不同方法的提取精度。

1 研究區(qū)概況

以陜西省和內(nèi)蒙古自治區(qū)交界處的紅堿淖作為研究區(qū)。紅堿淖是全球最大的遺鷗棲息地[11]，海拔1 200 m，地理坐標為東經(jīng)109°42′—110°54′、北緯38°13′—39°27′ [12]，年均降水量400 mm左右，年均水面蒸發(fā)量為2 000 mm，年均氣溫8.5 ℃。紅堿淖屬于內(nèi)陸封閉湖盆，主要依賴地下水、湖面降水和地表徑流補給。地處毛烏素沙漠邊緣地帶的紅堿淖及其周邊水資源對維護該地區(qū)生物多樣性、抑制沙漠化以及維持當?shù)厝嗣竦纳疃季哂兄匾饬x。近年來受氣候、人為等因素的影響，紅堿淖面積不斷減小[13]。

2 數(shù)據(jù)與方法

2.1 研究數(shù)據(jù)

本研究所使用的光學遙感影像（Sentinel-2）和雷達遙感影像（Sentinel-1）下載自歐洲航天局網(wǎng)站（https：//scihub.copernicus.eu/），美國陸地衛(wèi)星資源數(shù)據(jù)（Landsat TM/ETM+/OLI）下載自美國地質(zhì)勘探局網(wǎng)站（http：//earthexplorer.usgs.gov/）。溫度和降水數(shù)據(jù)下載自國家氣象科學數(shù)據(jù)中心，由于紅堿淖區(qū)域并未設(shè)置氣象站點，且氣象數(shù)據(jù)集所覆蓋的站點分布較為稀疏，因此選取紅堿淖附近區(qū)域共11個站點（榆林、橫山、滿都拉、烏拉特中旗、達爾罕聯(lián)合旗、四子王旗、包頭、呼和浩特、臨河、鄂托克旗、東勝）的氣象數(shù)據(jù)，采用反距離空間加權(quán)插值法獲取研究區(qū)氣象數(shù)據(jù)。研究所用遙感影像見表1。

2.2 水體提取方法

2.2.1 最大似然分類（ML）法

最大似然分類法原理是假定訓練樣本數(shù)據(jù)在光譜空間服從高斯正態(tài)分布規(guī)律，通過計算樣本（像元）屬于各類的概率，將樣本歸屬于概率最大的一組[14]。

2.2.2 支持向量機法（SVM）

支持向量機法的基本思想是通過非線性變化將輸入空間轉(zhuǎn)換到一個高維的特征空間，然后在這個新的高維特征空間中求取最優(yōu)分類超平面，該分類超平面可以將訓練樣本正確分類并且達到分類間隔最大[15]。

2.2.3 面向?qū)ο蠓诸惙?/p>

根據(jù)高分辨率影像的特點提出了面向?qū)ο蟮倪b感分類方法。面向?qū)ο蠓诸惙梢猿浞掷糜跋竦墓庾V特征、紋理特征、形狀特征等，提取過程分為影像分割、分類規(guī)則構(gòu)建和信息提取等幾個步驟[16]。

2.2.4 歸一化差異水體指數(shù)（NDWI）法

歸一化差異水體指數(shù)法主要利用水體在近紅外波段的強吸收特性，通過抑制植被信息、增強水體信息得到較好的分類結(jié)果。NDWI公式為

式中：ρGreen為綠波段地表反射率;ρNIR為近紅外波段地表反射率。

2.2.5 Sentinel-1水指數(shù)（SWI）法

在雷達影像中，因水體的反射率較弱，故其呈黑色或較暗，而非水域則較亮[17]。SWI公式為

式中：VH和VV分別為Sentinel-1數(shù)據(jù)中VH偏振和VV偏振的后向散射系數(shù)。

2.2.6 閾值法

閾值法是利用所提取地物與背景地物在某一波段的反射率差異，確定合適的值區(qū)分所提取地物與背景的方法。

2.3 水體提取技術(shù)流程

本試驗以Sentinel-2目視解譯的結(jié)果作為真實水域邊界信息，檢驗各種方法及數(shù)據(jù)的準確性[18]，并采用混淆矩陣對試驗結(jié)果進行驗證。最后，利用Kappa系數(shù)、錯分誤差、漏分誤差和總體精度等指標進行定量評估[19]。

水體提取技術(shù)流程見圖1。

3 結(jié)果與討論

3.1 精度評價

利用Landsat 8、Sentinel-2、Sentinel-1以及Sentinel-2和Sentinel-1的融合影像，分別采用ML、SVM、面向?qū)ο蠓诸惙āDWI和SWI方法對研究區(qū)水體進行提取，通過目視解譯得到水體邊界信息，從而定量化評價各種方法的提取精度。

（1）無云情況。為了比較不同方法提取水體的精度，利用混淆矩陣方法對其進行評估，見表2。Sentinel-2影像使用ML法精度最高，其錯分誤差和漏分誤差均最小;SVM方法精度最低，漏分誤差為6.52%。Sentinel-1影像利用面向?qū)ο蠓诸惙ň茸罡?，ML法次之。對于Sentinel-1和Sentinel-2的融合影像，利用ML法精度最高，比Sentinel-1影像總體精度和Kappa系數(shù)分別提高了2.00%和4.04%。Landsat 8影像使用ML法精度最高，但由于其分辨率較Sentinel-2低，因此同樣作為光學影像整體精度低于Sentinel-2。綜上所述，ML法提取研究區(qū)水體更適用。

（2）有云覆蓋情況。依據(jù)表2的結(jié)果，采用ML法提取有云覆蓋的水體信息，見表3?？梢钥闯?，Sentinel-2提取精度最高，融合影像的總體精度比Sentinel-1提高了2.50%、比Kappa系數(shù)提高了1.71%。由圖2可以看出，通過融合Sentinel-1和Sentinel-2，可以有效提取出被云覆蓋的水體。

3.2 不同水體提取方法的局限性

圖3為利用ML、面向?qū)ο蠓诸?、SVM和NDWI 4種方法對Sentinel-2影像在紅堿淖的水體提取圖，a、b、c、d 均為容易分類錯誤的區(qū)域。ML法和NDWI法對這4個區(qū)域均能準確區(qū)分;面向?qū)ο蠓诸惙椒ㄔ赼和b區(qū)域都有小部分漏分現(xiàn)象;SVM方法在a和d區(qū)域都有錯分的現(xiàn)象，對于b區(qū)域分類效果較好，但是黃框范圍內(nèi)出現(xiàn)錯分現(xiàn)象，說明對其分類效果較差。

圖4為Sentinel-1影像的提取結(jié)果，ML、SVM、面向?qū)ο蠓诸?、SWI和閾值法5種方法均不能正確提取c區(qū)域的水體邊界，對a和b區(qū)域都有一定程度的漏分。除了ML法，其他方法除了在a、b和c區(qū)域內(nèi)出現(xiàn)錯分和漏分現(xiàn)象，在黃框之內(nèi)均有明顯的分類錯誤。

圖5為融合影像的分類結(jié)果?？梢钥闯?，SVM方法在a、b和黃框區(qū)域內(nèi)出現(xiàn)明顯錯分現(xiàn)象;ML法和面向?qū)ο蠓诸惙椒ㄔ赼區(qū)域內(nèi)都有細微的漏分現(xiàn)象，而在b區(qū)域的分類效果較好。

比較上述Sentinel-2、Sentinel-1和二者的融合影像水體提取效果，可以發(fā)現(xiàn)，ML法分類效果最好，融合影像比Sentinel-1影像分類精度有明顯提高。

3.3 不確定性分析

遙感影像的空間分辨率對水體提取精度至關(guān)重要，Sentinel-2 10 m分辨率高于Sentinel-1和二者的融合影像20 m分辨率，通過重采樣方式降低Sentinel-2的分辨率，使其與Sentinel-1融合，得到的融合影像提取精度低于Sentinel-2影像的提取精度。原因是影像空間分辨率降低，單個像元所包括的面積變大，面積較小的水體或者線性水體的信息會丟失，從而對提取效果造成影響[20]。

閾值的選取對分類結(jié)果有直接影響[21]。閾值的選擇與水體指數(shù)的形式有關(guān)，如采用標準化形式水體指數(shù)（如NDWI）提取水體，其范圍為[-1，1]，而算術(shù)形式的水體指數(shù)（如SWI）范圍較大[22]。最佳閾值的選擇受人主觀判斷的影響[23]，為了確定最佳閾值，需要對閾值進行不斷調(diào)整，以達到最佳的提取效果，但這對于大范圍水體提取非常耗時。

對湖泊面積變化進行分析時，如果Sentinel-2影像被云覆蓋的區(qū)域較大，則最好使用Sentinel-1影像提取水體。Sentinel-1影像對于沙地和淺灘區(qū)的提取效果較差，如圖6所示。Sentinel-1 VV和VH圖像中沙地的特征幾乎和水體相同，因此在分類的時候容易出現(xiàn)錯分或漏分現(xiàn)象。

3.4 湖泊面積變化

為了量化紅堿淖湖泊面積的變化，綜合利用Sentinel-1、Sentinel-2和Landsat系列遙感影像提取1973—2018年紅堿淖水面面積，其中1973—2016年為年尺度提取，2017年和2018年在結(jié)合雷達影像后為月尺度提取，所得結(jié)果如圖7所示。1973—1996年為面積相對穩(wěn)定期，紅堿淖湖泊的平均面積為54.89 km2，年均變化率為-0.30%;1997—2015年為面積萎縮期，湖泊面積由54.22 km2減小至30.25 km2，平均面積為41.15 km2，年均變化率為-2.46%;2016—2018年為面積增長期，湖泊面積由33.1 km2增至35.93 km2，平均面積為34.84 km2，年均變化率為4.28%;2017年和2018年湖泊面積月變化起伏較小，保持穩(wěn)定增長。

由氣象站點獲得紅堿淖地區(qū)1973—2018年氣溫和降水數(shù)據(jù)，見圖8。由圖8可知：研究區(qū)1973—2018年氣溫呈上升趨勢，平均氣溫為7.11 ℃;年降水量在波動中呈下降趨勢，年均降水量為364.75 mm，2000年降水量最小（199.43 mm），2012年降水量最大（582.59 mm）。1973—2015年，隨著氣溫的升高和降水量的減少，湖泊面積減小，面積變化與氣溫和降水量相關(guān)性較好。近年來，地方政府高度重視生態(tài)環(huán)境保護，堅持“治水、保水、引水”多措并舉，使得紅堿淖生態(tài)環(huán)境持續(xù)改善，從2016年開始，內(nèi)蒙古通過扎薩克水庫向紅堿淖進行生態(tài)補水，因此該時期湖泊面積增長主要受人類活動的影響。

4 結(jié) 論

（1） 在無云的情況下，使用Sentinel-2光學影像結(jié)合最大似然分類方法提取水體精度最高，為99.30%。Sentinel-1雷達影像利用面向?qū)ο蠓诸惙ㄌ崛∷w精度最高，最大似然分類方法次之。融合影像利用最大似然分類法提取水體精度最高，比Sentinel-1影像總體精度和Kappa系數(shù)分別提高了2.00%和4.04%?？傮w比較，最大似然分類方法更適合水體提取。有云情況下，為了提高Sentinel-1影像的提取精度，將Sentinel-1和Sentinel-2影像融合，融合影像比Sentinel-1影像提取水體總體精度和Kappa系數(shù)分別提高了2.50%和1.71%。

（2）綜合利用Sentinel-1、 Sentinel-2和Landsat 1973—2018年遙感影像，基于最大似然分類法對紅堿淖湖泊面積變化進行分析，可將研究時段內(nèi)湖泊面積變化分為3個時期：1973—1996年為面積穩(wěn)定期、1997—2015年為面積萎縮期、2016—2018年為面積增長期。

（3）通過分析湖泊面積變化與降水和氣溫的關(guān)系，發(fā)現(xiàn)紅堿淖面積變化與降水和氣溫在1973—2015年相關(guān)性較好，2016—2018年相關(guān)性較差（原因是該時期紅堿淖面積變化主要受到人為補水的影響）。

參考文獻：

[1] 王瑗，盛連喜，李科，等.中國水資源現(xiàn)狀分析與可持續(xù)發(fā)展對策研究[J].水資源與水工程學報，2008 （3）：10-14.

[2] CHEN Y， LI Z， FAN Y， et al. Research Progress on the Impact of Climate Change on Water Resources in the Arid Region of Northwest China [J]. Acta Geographica Sinica， 2014， 69（9）：1295-1304.

[3] WAN L， LIU M， WANG F， et al. Automatic Extraction of Flood Inundation Areas from SAR Images： a Case Study of Jilin， China During the 2017 Flood Disaster [J]. International Journal of Remote Sensing，2019，40（13-14）： 5050-5077.

[4] MCFEETERS S K. The Use of the Normalized Difference Water Index （NDWI） in the Delineation of Open Water Features [J]. International Journal of Remote Sensing， 1996， 17（7）： 1425-1432.

[5] 徐涵秋.利用改進的歸一化差異水體指數(shù)（MNDWI）提取水體信息的研究[J]. 遙感學報，2005，9（5）：589-595.

[6] FEYISA G L， MEILBY H， FENSHOLT R， et al. Automated Water Extraction Index： A New Technique for Surface Water Mapping Using Landsat Imagery [J]. Remote Sensing of Environment， 2014， 140：23-35.

[7] 駱劍承，盛永偉，沈占鋒，等.分步迭代的多光譜遙感水體信息高精度自動提取[J].遙感學報，2009，13（4）：610-615.

[8] XING L， TANG X， WANG H， et al. Monitoring Monthly Surface Water Dynamics of Dongting Lake Using Sentinel-1 Data at 10 m [J]. PeerJ， 2018， 6（2）：e4992.

[9] TIAN H F， LI W， WU M Q， et al. Dynamic Monitoring of the Largest Freshwater Lake in China Using a New Water Index Derived from High Spatial-Temporal Resolution Sentinel-1A Data [J]. Remote Sensing， 2017， 9（6）： 521.

[10] WANG J， DING J， LI G， et al. Dynamic Detection of Water Surface Area of Ebinur Lake Using Multi-Source Satellite Data （Landsat and Sentinel-1A） and its Responses to Changing Environment [J]. Catena，2019，177：189-201.

[11] 尹立河，張茂省，董佳秋.基于遙感的毛烏素沙地紅堿淖面積變化趨勢及其影響因素分析[J].地質(zhì)通報， 2008（8）：1151-1156.

[12] 趙寧，馬超，楊亞莉.1973—2013年紅堿淖水域水質(zhì)變化及驅(qū)動力分析[J].湖泊科學，2016，28（5）：982-993.

[13] 江維，李英杰，鄧彥，等.紅堿淖水面面積演變及其原因[J].人民黃河，2018，40（4）：72-75.

[14] 趙春霞，錢樂祥.遙感影像監(jiān)督分類與非監(jiān)督分類的比較[J]. 河南大學學報（自然科學版），2004，34（3）：90-93.

[15] 田源，塔西甫拉提·特依拜，丁建麗，等.基于支持向量機的土地覆被遙感分類[J].資源科學，2008，30（8）：1268-1274.

[16] 張成才，李艷樺，姚亮亮.面向?qū)ο蟮腅TM+影像分割尺度與水體信息提取[J].人民黃河，2014，36（7）：54-56.

[17] KYRIOU A ，NIKOLAKOPOULOS K. A Combined Study of Flood Propagation Mapping， Using Sentinel-1 and Landsat-8 Data： A Case Study from River Evros， Greece[J].Bulletin of the Geological Society of Greece，2017，50（3）：1711.

[18] DENG Y， JIANG W， TANG Z， et al. Spatio-Temporal Change of Lake Water Extent in Wuhan Urban Agglomeration Based on Landsat Images from 1987 to 2015 [J]. Remote Sensing， 2017， 9（3）： 270.

[19] HAAS E M， BARTHOLOMé E， LAMBIN E F， et al. Remotely Sensed Surface Water Extent as an Indicator of Short-Term Changes in Ecohydrological Processes in Sub-Saharan Western Africa [J]. Remote Sensing of Environment， 2011，115（12）： 3436-3445.

[20] HE H S， VENTURA S J， MLADENOFF D J. Effects of Spatial Aggregation Approaches on Classified Satellite Imagery [J]. International Journal of Geographical Information Science，2010，16（1）： 93-109.

[21] JI L， ZHANG L， WYLIE B. Analysis of Dynamic Thresholds for the Normalized Difference Water Index [J]. Photogrammetric Engineering & Remote Sensing， 2009， 75（11）： 1307-1317.

[22] WANG Z， LIU J， LI J， et al. Multi-Spectral Water Index （MuWI）： A Native 10-m Multi-Spectral Water Index for Accurate Water Mapping on Sentinel-2 [J]. Remote Sensing， 2018， 10（10）： 1643.

[23] ZHANG F， TIYIP T， KUNG H-T， et al. Improved Water Extraction Using Landsat TM/ETM+ Images in Ebinur Lake， Xinjiang， China [J]. Remote Sensing Applications： Society and Environment，2016，4：109-118.

【責任編輯 張華興】